李毅軍，羅紫宇，周 濤，3，張振豪

(1.重慶市交通規(guī)劃研究院，重慶 401147；2.西南交通大學(xué)希望學(xué)院 軌道交通學(xué)院，四川 成都 610400；3.山地城市交通系統(tǒng)與安全重慶市重點(diǎn)實(shí)驗(yàn)室，重慶 400074)

0 引言

軌道站點(diǎn)客流吸引能力與周邊用地開(kāi)發(fā)、功能聚集、人口聚集有緊密聯(lián)系，掌握軌道站點(diǎn)客流與周邊建成環(huán)境之間的關(guān)聯(lián)關(guān)系尤為關(guān)鍵，建成環(huán)境[1]概念最早于2002 年由CERVERO 等提出，定義為城市景觀的物理特征，即與自然特征相對(duì)應(yīng)的部分，并概括為密度、多樣性、設(shè)計(jì)組成的“3D”維度，已有文獻(xiàn)在建成環(huán)境對(duì)軌道站點(diǎn)客流的影響方面有深入研究，主要包含2 個(gè)方面。①基于建成環(huán)境變量的軌道站點(diǎn)客流模型方面。金昱[2]選取社會(huì)經(jīng)濟(jì)、土地利用、交通特征、站點(diǎn)自身特征共4 類(lèi)解釋變量構(gòu)建軌道客流的多項(xiàng)Logit 回歸模型；叢雅蓉等[3]選取用地屬性、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、公交接駁等解釋變量，構(gòu)建地理加權(quán)回歸模型(GWR)分析用地屬性對(duì)軌道站點(diǎn)客流的時(shí)空影響；馬曉磊等[4]選取11 類(lèi)解釋變量構(gòu)建GWR 模型分析高峰客流量與用地密度之間的關(guān)系；孔祥夫等[5]選取4 類(lèi)解釋變量建立非線性回歸函數(shù)，分析不同類(lèi)型用地客流生成率與軌道站點(diǎn)可達(dá)性之間的衰減規(guī)律；甘佐賢等[6]比較空間滯后模型、空間誤差模型、GWR模型和混合地理加權(quán)回歸模型的擬合結(jié)果，分析建成環(huán)境屬性對(duì)軌道站點(diǎn)客流的作用機(jī)理。②在軌道站點(diǎn)的步行可達(dá)范圍識(shí)別方面。國(guó)內(nèi)外學(xué)者通常采用圓形緩沖區(qū)經(jīng)驗(yàn)值，一般取值為500 m和800 m[7]。武倩楠等[8]建立基于廣義出行費(fèi)用的城市軌道交通車(chē)站接駁范圍計(jì)算模型；張寧等[9]運(yùn)用多項(xiàng)Logit模型建立了居民出行方式選擇模型確定城市軌道交通步行接駁范圍；劉海洲等[10]基于步行網(wǎng)絡(luò)數(shù)據(jù)通過(guò)ArcGIS 最短路徑搜索算法獲取軌道站點(diǎn)與周邊地塊的步行時(shí)間和步行可達(dá)范圍。

綜上，既有文獻(xiàn)多采用全局回歸模型、局部回歸模型和非線性模型等進(jìn)行分析，但解釋變量間的多重共線性問(wèn)題對(duì)實(shí)驗(yàn)結(jié)果有較大影響[11]。步行可達(dá)范圍識(shí)別方面，既有文獻(xiàn)多基于經(jīng)驗(yàn)值、模型和道路網(wǎng)識(shí)別，缺少結(jié)合實(shí)際地形條件的研究分析。基于此，提出一種基于百度API的網(wǎng)絡(luò)數(shù)據(jù)提取技術(shù)方法，考慮軌道站點(diǎn)周邊地形條件，結(jié)合真實(shí)數(shù)據(jù)給出更準(zhǔn)確的步行可達(dá)范圍，并基于主成分分析的地理加權(quán)回歸模型(Principal Component-based Geographic Weighted Regression，PCA-GWR)研究分析軌道站點(diǎn)客流的影響因素。

1 建成環(huán)境特征量化描述

1.1 步行可達(dá)范圍識(shí)別方法

結(jié)合文獻(xiàn)研究和相關(guān)分析工具，提出了一種基于百度API的網(wǎng)絡(luò)數(shù)據(jù)提取技術(shù)識(shí)別軌道站點(diǎn)步行可達(dá)范圍的方法，軌道站點(diǎn)步行可達(dá)范圍識(shí)別示意圖如圖1 所示，該方法具有抓取速度快、批量化處理等優(yōu)勢(shì)，具體步驟如下：①以軌道站點(diǎn)為中心建立步行緩沖區(qū)域，每間隔一定距離布置點(diǎn)陣；②通過(guò)編程調(diào)用百度API抓取布置點(diǎn)陣中的路線規(guī)劃出行時(shí)間，得到步行可達(dá)點(diǎn)陣；③采用不規(guī)則三角網(wǎng)插值、提取等高線等方法，得到以軌道站點(diǎn)為中心的步行可達(dá)范圍。

圖 1 軌道站點(diǎn)步行可達(dá)范圍識(shí)別示意圖Fig.1 Identification of walking reachable range of rail station

1.2 數(shù)據(jù)來(lái)源與變量描述

研究數(shù)據(jù)包括軌道站點(diǎn)客流數(shù)據(jù)和建成環(huán)境屬性數(shù)據(jù)?；?Ds準(zhǔn)則對(duì)建成環(huán)境特征按照建筑面積、線網(wǎng)可達(dá)性、交通條件、職住數(shù)量等類(lèi)別進(jìn)行定量化描述，其中建筑面積數(shù)據(jù)、交通條件數(shù)據(jù)、職住數(shù)量數(shù)據(jù)來(lái)源于重慶市綜合交通信息平臺(tái)。軌道站點(diǎn)客流數(shù)據(jù)來(lái)自軌道交通刷卡數(shù)據(jù)，包括進(jìn)站客流和出站客流，線網(wǎng)可達(dá)性數(shù)據(jù)根據(jù)重慶市軌道交通運(yùn)營(yíng)線網(wǎng)圖計(jì)算得到。建成環(huán)境變量與軌道站點(diǎn)客流特征量化描述如表1 所示，其中不同建筑類(lèi)型的人均用地面積參考《城市用地分類(lèi)與規(guī)劃建設(shè)用地標(biāo)準(zhǔn)》的規(guī)劃指標(biāo)[12]，軌道站點(diǎn)步行可達(dá)范圍時(shí)間參考《城市居住區(qū)規(guī)劃設(shè)計(jì)標(biāo)準(zhǔn)》選取步行10 min最適宜[13]。

表1 建成環(huán)境變量與軌道站點(diǎn)客流特征量化描述Tab.1 Quantitative description of built environment and passenger flow characteristics of rail stations

（1）各類(lèi)建筑面積。主要包括居住建筑面積、辦公建筑面積、商業(yè)建筑面積和綠地用地面積，計(jì)算公式如下。

式中：ca為建筑面積，m2；la為用地面積，m2；far為用地容積率。

（2）線網(wǎng)可達(dá)性。線網(wǎng)可達(dá)性是指軌道站點(diǎn)到線網(wǎng)中其他軌道站點(diǎn)便捷程度的指標(biāo)，計(jì)算公式如下。

式中：cod為軌道站點(diǎn)至線網(wǎng)的可達(dá)性；ci→j為從車(chē)站i出發(fā)至線網(wǎng)中某一條線路經(jīng)過(guò)最少站點(diǎn)數(shù)量；L為軌道線網(wǎng)中線路的條數(shù)。

（3）交通設(shè)施密度。屬于交通條件，主要指停車(chē)位、道路網(wǎng)、公交站的豐富程度，計(jì)算公式如下。

式中：ρpark為停車(chē)位密度，個(gè)/km2；Npark為停車(chē)位數(shù)量，個(gè)；S10min為軌道站點(diǎn)10 min步行可達(dá)范圍，km2。

式中：ρroad為道路網(wǎng)密度，km/km2，Nroad為道路長(zhǎng)度，km。

式中：ρbus為公交站密度，個(gè)/km2；Nbus為公交站點(diǎn)數(shù)量，個(gè)。

（4）路網(wǎng)車(chē)速。屬于交通條件，主要指軌道站點(diǎn)周邊路網(wǎng)的運(yùn)行情況，計(jì)算公式如下。

式中：Vk為k時(shí)間段內(nèi)路網(wǎng)的平均行程車(chē)速，km/h；lj為路段的長(zhǎng)度，km；Vkj為路段的平均行程速度，km/h；n為路網(wǎng)中路段的數(shù)量，條。

（5）職住數(shù)量。主要指崗位數(shù)量和居住人口的情況，計(jì)算公式如下。

式中：τwork為崗位數(shù)量，個(gè)；cawork為辦公建筑面積，m2；wwork為辦公建筑的人均面積指標(biāo)，m2/人。

式中：τpop為人口數(shù)量，人次；capop為居住建筑面積，m2；wpop為居住建筑的人均面積指標(biāo)，m2/人。

（6）站點(diǎn)客流。主要指軌道站點(diǎn)的進(jìn)站、出站客流量，計(jì)算公式如下。

式中：ωout為軌道站點(diǎn)的高峰小時(shí)出站客流人數(shù)，人次；θouti為每15 min出站客流人數(shù)。

式中：ωin為軌道站點(diǎn)的高峰小時(shí)進(jìn)站客流人數(shù)，人次；θini為每15 min進(jìn)站客流人數(shù)。

2 研究方法和模型

2.1 PCA-GWR模型

（1）數(shù)據(jù)標(biāo)準(zhǔn)化。將所有數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，計(jì)算公式如下。

式中：為第j個(gè)變量的第i個(gè)數(shù)據(jù)標(biāo)準(zhǔn)化后的結(jié)果；Xij為第j個(gè)變量的第i個(gè)數(shù)據(jù)。

（2）主成分分析。假設(shè)用于描述每個(gè)軌道站點(diǎn)的建成環(huán)境指標(biāo)有q個(gè)，求出標(biāo)準(zhǔn)化后數(shù)據(jù)的相關(guān)系數(shù)矩陣及對(duì)應(yīng)的特征值和特征向量，特征值從小到大排列λ1，λ2，…，λq，對(duì)應(yīng)的特征向量C1，C2，…，Cq，都是q個(gè)指標(biāo)的線性組合并且互不相關(guān)。

式中：C1，C2，…，Cq為特征向量；X1，X2，…，Xq為標(biāo)準(zhǔn)化自變量；aqq為觀測(cè)值參數(shù)。

（3）貢獻(xiàn)率。一般累積貢獻(xiàn)率滿(mǎn)足80%以上認(rèn)為提取成分有效，假設(shè)提取k個(gè)主成分，則前k個(gè)主成分的貢獻(xiàn)率的計(jì)算公式如下。

式中：μ為貢獻(xiàn)率；λi為第i個(gè)主成分特征值；λk為第k個(gè)主成分特征值。

（4）主成分得分。根據(jù)所提取成分得分系數(shù)矩陣和旋轉(zhuǎn)成分矩陣，計(jì)算得到各主成分得分。

式中：Ck為第k個(gè)主成分得分；n為該主成分由n個(gè)指標(biāo)計(jì)算得來(lái)；aj為第j個(gè)變量的得分；Xj為第j個(gè)變量對(duì)應(yīng)的數(shù)據(jù)。

（5）GWR模型。將提取的k個(gè)主成分得分作為新的主成分解釋變量進(jìn)行地理加權(quán)回歸分析，數(shù)學(xué)模型如下[14]。

式中：(ui，vi) 為第i個(gè)軌道站點(diǎn)的地理坐標(biāo)；β0(ui，vi)為第i個(gè)軌道站點(diǎn)回歸常數(shù)；p為總共有p個(gè)主成分；βk(ui，vi)為第i個(gè)軌道站點(diǎn)第k個(gè)成分的回歸系數(shù)；xik為第i個(gè)軌道站點(diǎn)第k個(gè)主成分得分；εi為第i個(gè)軌道站點(diǎn)的隨機(jī)誤差。

2.2 空間自相關(guān)和相關(guān)指標(biāo)

（1）全局莫蘭指數(shù)。

在GWR 模型分析之前應(yīng)該對(duì)解釋變量空間自相關(guān)檢驗(yàn)，通常采用Moran’sI方法來(lái)對(duì)變量進(jìn)行空間自相關(guān)分析[15]。Moran’sI較大說(shuō)明樣本在空間中呈現(xiàn)空間聚合，負(fù)值說(shuō)明樣本在空間中呈現(xiàn)空間離散，而接近零則說(shuō)明樣本在空間中呈現(xiàn)隨機(jī)分布。

式中：ωij為樣本i和j兩者的空間權(quán)重值；yi為樣本i和j確定的屬性數(shù)值；yˉ為所有樣本值的平均值。

研究的軌道站點(diǎn)抽象后屬于孤立點(diǎn)，使用k-近鄰權(quán)重的鄰接矩陣，其適用離散點(diǎn)空間單元，公式如下。

式中：wij為距離為d的兩個(gè)對(duì)象i和j之間的交互權(quán)重；dij是兩個(gè)對(duì)象i和j之間距離；k為指定的k個(gè)相鄰空間單元作為目標(biāo)空間單元的鄰居。

采用Z-scores 檢驗(yàn)Moran’sI的顯著性，若Z絕對(duì)值大于1.96，P值小于0.05 表明拒絕零假設(shè)，且通過(guò)假設(shè)檢驗(yàn)。Z-scores得分統(tǒng)計(jì)量公式如下。

式中：E(I)為Moran’sI的期望值；Var(I)為Moran’sI的方差。

（2）Akaike信息量準(zhǔn)則。

在進(jìn)行GWR模型分析時(shí)需要確定合適的帶寬，確定帶寬的方式是基于Akaike信息量準(zhǔn)則(Akaike Information Criterion，AIC)。

式中：n為軌道站點(diǎn)的數(shù)量；tr(S)為GWR的帽子矩陣S的跡；?為隨機(jī)誤差項(xiàng)的極大似然估計(jì)值。

在同一樣本數(shù)據(jù)做地理加權(quán)回歸分析時(shí)，當(dāng)AICc達(dá)到最小的時(shí)候，此時(shí)的帶寬就達(dá)到了最優(yōu)的結(jié)果。

3 案例分析

3.1 軌道站點(diǎn)步行可達(dá)范圍結(jié)果

選取重慶市28 個(gè)軌道站點(diǎn)作為研究對(duì)象，在步行可達(dá)范圍識(shí)別過(guò)程中的參數(shù)設(shè)置如下，采用每間隔30 m 布置點(diǎn)陣，步行緩沖區(qū)域半徑為900 m(步行速度1.5 m/s)，每個(gè)軌道站點(diǎn)布置點(diǎn)陣數(shù)量約7 900 個(gè)，28 個(gè)軌道站點(diǎn)總共抓取數(shù)據(jù)約22 萬(wàn)條，經(jīng)過(guò)數(shù)據(jù)清洗、篩選后有效數(shù)據(jù)約20 萬(wàn)條，抓取速度150條/min。步行10 min可達(dá)范圍示意圖如圖2所示，步行10 min可達(dá)范圍是根據(jù)軌道站點(diǎn)周邊的建成環(huán)境、地理地形條件生成的不規(guī)則圖形，其覆蓋面積的平均值與半徑500 米覆蓋面積的比值是74.2%，這表明實(shí)際軌道站點(diǎn)的覆蓋面積和服務(wù)范圍比傳統(tǒng)經(jīng)驗(yàn)值更小。

圖2 步行10 min可達(dá)范圍示意圖Fig.2 Schematic diagram of reachable range of a 10-minute walk

3.2 主成分提取和參數(shù)檢驗(yàn)

（1）主成分提取。

對(duì)軌道站點(diǎn)建成環(huán)境數(shù)據(jù)進(jìn)行主成分分析，總共提取了5 個(gè)主成分，這5 個(gè)主成分包含了原來(lái)解釋變量87.37%的信息量，結(jié)果通過(guò)了巴利特球形檢驗(yàn)，表明提取主成分有效，根據(jù)構(gòu)成各主成分的解釋變量所屬類(lèi)型，定義了提取的每個(gè)主成分所代表含義，莫蘭指數(shù)檢驗(yàn)如表2所示。

表2 莫蘭指數(shù)檢驗(yàn)Tab.2 Moran’s index test

①主成分C1中居住建筑載荷為0.98，居住人數(shù)載荷為0.96，這兩者的數(shù)值較大，代表的是軌道站點(diǎn)周邊的居住豐富性。②主成分C2中停車(chē)位載荷為0.816，公交站密度載荷為0.901，道路網(wǎng)密度載荷為0.804，這三者的數(shù)值較大，代表的是軌道站點(diǎn)周邊的出行便利性。③主成分C3的商業(yè)建筑載荷為0.895，工作崗位載荷為0.693，這兩者的數(shù)值較大，代表的是軌道站點(diǎn)周邊商業(yè)活躍性。④主成分C4僅綠地用地的載荷較大為0.882，代表的是軌道站點(diǎn)周邊綠化效果。⑤主成分C5線網(wǎng)可達(dá)性載荷較大，代表軌道站點(diǎn)在軌道線網(wǎng)中到其他線路的便利程度。

（2）全局空間自相關(guān)。

對(duì)主成分解釋變量進(jìn)行空間自相關(guān)性分析，其中居住豐富性C1，出行便利性C2，綠化效果C4，線網(wǎng)可達(dá)性C5通過(guò)了空間自相關(guān)性檢驗(yàn)，商業(yè)活躍性C3未通過(guò)空間自相關(guān)性檢驗(yàn)，建成環(huán)境主成分解釋變量莫蘭指數(shù)散點(diǎn)圖如圖3所示，需將商業(yè)活躍性剔除后再進(jìn)行地理加權(quán)回歸分析。居住豐富性、出行便利性、線網(wǎng)可達(dá)性的莫蘭指數(shù)均為正，表明在空間存在聚集分布特征；綠化效果的莫蘭指數(shù)為負(fù)，表明在空間存在離散分布的特征。出站客流通過(guò)了空間自相關(guān)性檢驗(yàn)，進(jìn)站客流未通過(guò)空間自相關(guān)性檢驗(yàn)，表明進(jìn)站客流是隨機(jī)分布模式。

圖3 建成環(huán)境主成分解釋變量莫蘭指數(shù)散點(diǎn)圖Fig.3 Scatter plot of Moran’s index for explanatory variables of built environment

3.3 PCA-GWR模型分析結(jié)果

分別建立GWR模型和PCA-GWR模型，GWR模型以建成環(huán)境解釋變量為自變量，PCA-GWR模型以主成分解釋變量為自變量，都以軌道站點(diǎn)出站客流為因變量，最后對(duì)模型擬合結(jié)果的參數(shù)做橫向的分析比較，模型擬合結(jié)果比較如表3 所示。PCA-GWR模型的擬合優(yōu)度為0.756，較GWR模型的擬合優(yōu)度0.637有一定提高，PCA-GWR模型比GWR模型的赤池信息準(zhǔn)則值更低，表明PCA-GWR模型比GWR模型擬合效果更好，適用性更強(qiáng)。

表3 模型擬合結(jié)果比較Table 3 Comparison of model fitting results

PCA-GWR模型主成分解釋變量回歸系數(shù)分布如圖4 所示，分別為4 個(gè)主成分解釋變量對(duì)軌道站點(diǎn)客流的影響程度，代表影響軌道站點(diǎn)客流的4 個(gè)不同方面，每張圖劃分了4 種影響程度，分別用紅、黃、青、藍(lán)4 種顏色表示在空間分布和回歸系數(shù)上的差異。

圖4 PCA-GWR模型主成分解釋變量回歸系數(shù)分布Fig.4 Distribution of regression coefficients of principal component variables in PCA-GWR model

（1）居住豐富性。居住豐富性回歸系數(shù)取值均為負(fù)，表明其對(duì)軌道出站客流有抑制作用，軌道站點(diǎn)周邊的居住豐富性系數(shù)越小，軌道出站客流越高，這是由于早高峰時(shí)段軌道出站客流的出行目的多是以通學(xué)和上班為主，因而在居住為主要功能的區(qū)域不會(huì)吸引客流；從空間分布來(lái)看，居住豐富性系數(shù)東部最大，中部其次，西部最小，居住豐富性對(duì)西部的軌道出站客流的抑制作用表現(xiàn)得更明顯，對(duì)位于軌道線網(wǎng)東部的軌道出站客流抑制作用相對(duì)更弱。這是由于東部軌道站點(diǎn)的商業(yè)功能更突出，例如觀音橋軌道站點(diǎn)，周邊居住建筑面積和居住人口數(shù)量的提升對(duì)商業(yè)功能的影響較小，對(duì)軌道出站客流的抑制作用也最小，而西部的軌道站點(diǎn)居住功能更突出，例如大石壩軌道站點(diǎn)，周邊居住建筑面積較大，居住人口數(shù)量較多，若進(jìn)一步提升居住建筑面積和居住人口數(shù)量，則對(duì)軌道出站客流的抑制作用更強(qiáng)。

（2）出行便利性。出行便利性回歸系數(shù)取值均為正，表明其對(duì)軌道出站客流有推動(dòng)作用，說(shuō)明軌道站點(diǎn)周?chē)ǔ森h(huán)境的出行便利性越高，對(duì)軌道出站客流的吸引力越大；從空間格局來(lái)看，出行便利性最高的是東部，北部其次，西南部最小，線網(wǎng)東部的軌道站點(diǎn)對(duì)出行便利性的敏感度更高，例如小什字、較場(chǎng)口等軌道站點(diǎn)的出行便捷性對(duì)軌道站點(diǎn)客流的提升非常顯著，這是由于東部軌道站點(diǎn)位于老城區(qū)，多為小地塊、窄馬路的建成環(huán)境格局，出行便利性的提升會(huì)覆蓋更多的產(chǎn)業(yè)人口從而帶動(dòng)客流增長(zhǎng)。線網(wǎng)西南部的軌道站點(diǎn)對(duì)出行便利性的敏感度較低，例如沙坪壩、石橋鋪等軌道站點(diǎn)的出行便捷性對(duì)軌道站點(diǎn)出站客流的提升作用較小，這是由于西南部軌道站點(diǎn)位于新城新區(qū)，多為大地塊、寬?cǎi)R路的建成環(huán)境格局，出行便利性的提升不會(huì)覆蓋更多的產(chǎn)業(yè)人口，因而軌道出站客流的增長(zhǎng)不顯著。

（3）綠化效果。從回歸結(jié)果來(lái)看，綠化效果回歸系數(shù)取值有正有負(fù)，綠化效果對(duì)軌道出站客流的影響既有帶動(dòng)作用也有抑制作用，從空間格局來(lái)看，正值主要分布在軌道線網(wǎng)的東部，負(fù)值主要分布軌道線網(wǎng)的西部，西部軌道站點(diǎn)具有最高的綠化效果回歸系數(shù)，西部的綠化效果提升會(huì)帶動(dòng)軌道站點(diǎn)出站客流的增長(zhǎng)，東部的綠化效果提升反而會(huì)使軌道出站客流減少，意味著綠化效果對(duì)于線網(wǎng)西部的軌道站點(diǎn)貢獻(xiàn)較大。

（4）線網(wǎng)可達(dá)性。線網(wǎng)可達(dá)性回歸系數(shù)均為正，表明線網(wǎng)可達(dá)性對(duì)軌道站點(diǎn)出站客流的影響作用為正，軌道站點(diǎn)在軌道線網(wǎng)中的可達(dá)性越高對(duì)軌道出站客流的吸引力越大；從空間分布來(lái)看，軌道線網(wǎng)西南方向軌道站點(diǎn)的線網(wǎng)可達(dá)性回歸系數(shù)較大，說(shuō)明提升軌道線網(wǎng)西南方向軌道站點(diǎn)的線網(wǎng)可達(dá)性對(duì)軌道出站客流的提升作用更明顯，軌道線網(wǎng)東北方向的軌道站點(diǎn)的線網(wǎng)可達(dá)性回歸系數(shù)較小，說(shuō)明這部分軌道站點(diǎn)對(duì)線網(wǎng)可達(dá)性的敏感度較低，主要是這部分站點(diǎn)在線網(wǎng)中出行可達(dá)性已較高，因此進(jìn)一步提升并不會(huì)顯著帶動(dòng)軌道出站客流的增長(zhǎng)，而西南方向的軌道站點(diǎn)在線網(wǎng)中可達(dá)性較低，站點(diǎn)可達(dá)性有微小變動(dòng)都會(huì)較大地帶動(dòng)軌道出站客流。

4 結(jié)論

利用重慶真實(shí)數(shù)據(jù)探索建成環(huán)境對(duì)軌道站點(diǎn)客流的影響，對(duì)把握重慶市軌道站點(diǎn)客流規(guī)律具有一定的價(jià)值，主要有以下結(jié)論。一是山地城市的步行可達(dá)范圍。重慶軌道站點(diǎn)的步行10 min可達(dá)范圍面積比半徑500 m 緩沖區(qū)面積小，約為74.2%，因此軌道站點(diǎn)周邊建成環(huán)境調(diào)整布局應(yīng)采用高密度、集中式的思路統(tǒng)籌安排，同時(shí)增設(shè)交通設(shè)施以改善現(xiàn)狀步行條件。二是PCA-GWR模型的應(yīng)用。將解釋變量進(jìn)行主成分分析后再將提取的主成分解釋變量進(jìn)行加權(quán)回歸分析，克服了解釋變量間的多重共線性問(wèn)題，模型的擬合優(yōu)度為由0.637 提高至0.756，PCA-GWR模型的適用性和擬合效果較好，關(guān)聯(lián)性較強(qiáng)因素宜采用PCA-GWR模型，有利于探尋影響因素的聚集效應(yīng)對(duì)軌道站點(diǎn)客流的影響作用。三是因地制宜地提出改善軌道站點(diǎn)客流的措施。居住豐富性、出行便利性、線網(wǎng)可達(dá)性在空間存在聚集分布特征，綠化效果在空間存在離散分布的特征，存在空間異質(zhì)性。因此，根據(jù)軌道站點(diǎn)在線網(wǎng)的空間區(qū)位，采取差異化措施調(diào)整建成環(huán)境布局，線網(wǎng)西部的軌道站點(diǎn)應(yīng)在周邊布設(shè)綠色基礎(chǔ)設(shè)施，改善街道空間品質(zhì)，線網(wǎng)東南部的軌道站點(diǎn)應(yīng)增設(shè)公共交通設(shè)施，提升出行便捷性，線網(wǎng)南部軌道站點(diǎn)應(yīng)提高線網(wǎng)可達(dá)性，滿(mǎn)足基本出行需求。